STELAR:具有潜在流行病学正则化的时空张量分解
机器学习
2021-03-19 v2 种群与进化
摘要
准确预测COVID-19等传染病的传播对于实施有效的缓解措施至关重要。在这项工作中,我们开发了一种张量方法来同时预测许多地区传染病趋势的演变。我们构建了一个病例数的三维时空张量(位置、属性、时间),并提出了一种具有潜在流行病学模型正则化的非负张量分解方法,名为STELAR。与无法预测前方数据片的标准张量分解方法不同,STELAR通过广泛采用的流行病学模型的离散时间差分方程组引入潜在时间正则化,从而实现长期预测。我们使用潜在而非位置/属性级别的流行病学动态来捕捉共同的传染病特征子类型,并改进协同学习与预测。我们使用县级和州级的COVID-19数据进行实验,表明我们的模型可以识别有趣的传染病潜在模式。最后,我们评估了方法的预测能力,并显示相比基线具有优越性能,在县级预测中均方根误差降低多达21%,平均绝对误差降低多达25%。
引用
@article{arxiv.2012.04747,
title = {STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization},
author = {Nikos Kargas and Cheng Qian and Nicholas D. Sidiropoulos and Cao Xiao and Lucas M. Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2012.04747},
year = {2021}
}
备注
AAAI 2021